使用scale()函数标准化data.frame中所有数值列（保留日期）

完全可以实现这个需求——只对数据框里的数值型列做标准化处理，日期列和其他非数值列保持原样即可。下面用你提供的示例数据演示两种常用实现方式：

示例数据 #

dat <- structure(list(date = c("2021-01-01", "2021-01-02", "2021-01-03", 
"2021-01-04", "2021-01-05", "2021-01-06"), launches = c(4, 0, 
0, 0, 8, 4), pledged = c(50278.64, 0, 0, 0, 366279.590415302, 
172073.0471292), backers = c(2880, 0, 0, 0, 6588, 3528), total_goal = c(24000, 
0, 0, 0, 148000, 60000), mean_goal = c(6000, 0, 0, 0, 18500, 
15000), US = c(4, 0, 0, 0, 4, 0), `number of success` = c(4, 
0, 0, 0, 8, 4), duration_days = c(30, 0, 0, 0, 31, 30), Twitter = c(1324L, 
1548L, 1297L, 1585L, 1636L, 1583L), replies = c(882L, 1252L, 
910L, 1018L, 810L, 1000L), likes = c(22859L, 24375L, 17854L, 
20341L, 19521L, 19401L), retweets = c(8621L, 8239L, 6141L, 6728L, 
6938L, 6842L), group_date = c("01", "01", "01", "01", "01", "01"
)), row.names = c(NA, 6L), class = "data.frame")

方法一：Base R 实现 #

核心是先筛选数值列，单独做标准化，再和非数值列合并：

# 筛选出数值型列的索引
num_cols <- sapply(dat, is.numeric)

# 对数值列做z-score标准化，处理标准差为0的情况（避免生成NaN）
normalized_num <- lapply(dat[num_cols], function(x) {
  if (sd(x) != 0) {
    (x - mean(x)) / sd(x)
  } else {
    x  # 标准差为0时保留原数值
  }
})

# 合并非数值列（日期等）和标准化后的数值列
dat_normalized <- cbind(dat[!num_cols], as.data.frame(normalized_num))

方法二：tidyverse（dplyr）实现 #

用across函数批量处理数值列，代码更简洁：

library(dplyr)

dat_normalized <- dat %>%
  mutate(across(where(is.numeric), ~ifelse(sd(.) != 0, (. - mean(.))/sd(.), .)))

说明 #

• 两种方法都会自动保留date、group_date这类非数值列，仅对数值型列做标准化；
• 加入了标准差为0的判断，避免全0列或常量列在标准化时出现NaN的问题；
• 这里用的是最常用的z-score标准化（(x-均值)/标准差），如果需要其他标准化方式（比如min-max归一化），替换对应的公式即可。

内容的提问来源于stack exchange，提问作者Daworn